以改进遗传算法为技术支撑的城市交通信号控制研究
一、遗传算法的改进
在以往的简单遗传算法当中，主要通过对基因进行交叉以及变异操作。其中前者是通过分别从配对染色体中截取部分自身基因，并同对方进行交换从而获得全新的染色体个体和种群，进而达到增强群体生存能力的目的。而变异操作则是通过利用单个因子变异的方式使得染色体的基因序列、物理性状等得以发生相应变化，从而获得新个体并达到提高局部搜索能力的效果。在采用简单遗传算法的过程中，当完成种群初始化并确定具体种群后，需要选择最佳适应度，如果此时适应度为最佳值，则直接输出结果即可。否则将需要先后进行交叉操作与变异操作，重新确定新种群，并再次进行最佳适应度的判断。虽然简单遗传算法具有一定的优势特点，但由于其只能收敛至局部最优解，并且收敛速度相对较慢，因此难以有效满意城市交通信号控制对于时效性以及精准性的高要求，故而需要对遗传算法进行相应优化改进。
为了能够有效提升算法的收敛性，尽可能避免出现函数误差，并有效简化函数，使其能够更好地用于准确选择群体，本文通过参考相关研究资料，提出利用如下公式构建适应度函数以进行遗传算法的优化改进：
在这一公式当中，a与b的和为1，并且a为正数、b的取值范围不超过1。f（i,d ）与 T（i,d ）分别代表着个体适应度以及函数误差，函数简化度与迭代数则分别用T（i,d ）以及d 进行表示。通过将变异率、交叉率引入适应度函数当中，并用 FK 与 Fm 进行表示，则当适应度函数值发生变化时，变异率与交叉率的值也将随之发生相应变化。在适应度相对较低的情况下，选取较大的变异率与交叉率值，并将该交叉和变异个体淘汰。反之则需要取较小值，并对该交叉与变异个体进行充分保留。由此建立起自适应变异函数与交叉函数，如下所示：
其中在上述公式当中，变异个体适应度用 f 进行表示，种群平均适应度即为 f ，其最小适应度用 fmin 进行表示， f ' 则代表着两个交叉个体当中更小的适应度。改进后的遗传算法即拥有良好的群体多样性，同时也具备较高的收敛性，能够有效获得全局最优解。
二、基于改进遗传算法的城市交通信号控制
（一）城市交通信号控制模型
通过以某城市道路为例，在对该道路路口交通流等相关信息数据进行全面搜集下，选择某一固定时间段对该城市道路路口交通流量数据展开实际测算，在此基础上建立一个具有相关约束条件的非线性函数模型。如果用d表示该城市道路路口处机动车的延误，则有：
在这一公式当中，平均车辆延时与车流量分别用d与q进行表示，B代表着周期市场，而s与w则分别表示道路路口车辆饱和度以及有效绿灯时间比。对于四叉路口D，则需要按照如下公式进行计算：
在这一公式当中，车流量以及饱和度则分别用 sij 以及qij 进行表示，某方位有效绿灯时间比则用 wi 进行表示，并且wi ＝ti B，绿灯时间 g 需要满足g ≤ ti ≤ B−L−3×10, 其中L代表着总损失时间。如果要求所有交叉路口的饱和度最大值需要严格控制在0.9以内，则有：
其中车流比以及有效时间各用yi 以及 fgi 进行表示，由此可知该城市交通信号控制模型的约束条件为：
（二）仿真实验以及结果分析
1.实验条件
通过对该四交叉路口构成的区域展开仿真实验，并分别用a、b、c、d对该四交叉口进行依次编号，由此会形成八个边界路口，分别为①、②、③、④、⑤、⑥、⑦、⑧，任意一个路段当中均拥有两个车道，其中一个车道专门作为左转车道，剩余车道则既作为直行车道，也作为右转车道。①边界路口→a交叉口要求交通流量为900辆/h，⑦边界路口→a交叉口要求交通流量为500辆/h，②边界路口→b交叉口要求交通流量为800辆/h，而③边界路口→b交叉口的交通流量为300辆/h。⑤边界路口→c交叉口对应的交通流量为1100辆/h，⑧边界路口→c交叉口对应的交通流量则为600辆/h。④边界路口→d以及⑥边界路口→d交叉口对应的交通流量均为1000辆/h.其中优化变量可以分别用t1、t2与 t3 进行表示，其分别代表着第1、第2、第3相位的有效率时。通过根据既定的固定周期以及损失时间下，利用公式t4 ＝T− t1− t2 − t3 − L即可计算出第4位有效率时，其编码则表示成(t1, t2, t3)。
2.计算流程
在运用优化改进的遗传算法进行城市交通信号控制时，首先需要确定信号相位有效绿时为变量，同时采用实数编码，在进行群体的初始化之后，需要依照前文确定的城市交通信号控制模型选择与之相符合的适应度函数并对其具体适应度进行精准计算。在此过程中，交叉算子与变异算子分别采用算术交叉以及均匀变异，在结合具体比例选择后，利用算术交叉的方式确定新一代群体，在对其进行解码同时影射为实际值之后，需要根据最终获得的概率对是否需要进行局部搜索进行判断。如果此时确定需要进行局部搜索，则将会自动进入到局部搜索环节并确定出局部最优解，完成编码转化。但如果判断为不进行局部搜索，则需要重新进行个体评价，再次依照城市交通信号控制模型选择相应的适应度函数，同时计算适应度。而如果此时确定的局部最优化以及编码转化均满足相关条件要求，则将会立刻直接输出最佳信号配时方案。
3.仿真结果
在将路口绿灯的最短时间以及车辆总延误时间均设定为10s，并且将信号周期时间设定为130后，将获取的该四叉路口车流量相关数据，包括各个进口的交通流、饱和流以及流量比等数据分别代入到基于简单遗传算法下的城市交通信号控制模型以及本文建立的以改进遗传算法为技术支撑的城市交通信号控制模型当中。在进化代数与种群数分别为100与200，交叉概率和变异概率分别取0.7与0.01下，可以得知染色体长度为3也就是 t1、t2与 t3 3个变量。结果显示，同样为相位1有效绿灯时间，在采用简单遗传算法下该数值为43s，在运用优化改进的遗传算法下该数值为46s。同样在使用简单遗传算法与改进遗传算法下，相位2有效绿灯时间分别为27s与26s，两种遗传算法下得到的相位3有效绿灯时间分别为34s与35s，相位4有效绿灯时间则分别为26s与23s。整体来看，在尚未进行遗传算法改进之前，得到的车辆平均延误时间仿真结果大约18s/辆，而在对遗传算法进行优化改进后，最终城市交通信号控制模型获得的仿真结果为，车辆平均延误时间为12s/辆。相比未进行遗传算法优化，该四叉路口车辆平均延误比出现了明显的下降趋势。
三、结束语
通过本文的分析研究可知，在对遗传算法进行相应的优化改进后，不仅能够有效提高算法以及群体的收敛性、多样性，同时也能够快速、精准地完成全局优化。并且根据后期的仿真实验可知，利用改进遗传算法下建立的城市交通信号控制模型，能够使得区域内平均车辆延误比得到明显降低，因此有助于达到对该区域交通信号的优化控制这一目的。
作者单位：兰州交通大学